Salta para o conte√ļdo

Ultralytics Integra√ß√Ķes

Bem-vindo √† p√°gina de integra√ß√Ķes do Ultralytics ! Esta p√°gina fornece uma vis√£o geral das nossas parcerias com v√°rias ferramentas e plataformas, concebidas para simplificar os teus fluxos de trabalho de aprendizagem autom√°tica, melhorar a gest√£o de conjuntos de dados, simplificar a forma√ß√£o de modelos e facilitar a implementa√ß√£o eficiente.

Ultralytics YOLO ecossistema e integra√ß√Ķes



Observa: Ultralytics YOLOv8 Implementa√ß√£o e integra√ß√Ķes

Integra√ß√Ķes de conjuntos de dados

  • Roboflow: Facilita a gest√£o de conjuntos de dados sem descontinuidades para modelos Ultralytics , oferecendo capacidades robustas de anota√ß√£o, pr√©-processamento e aumento.

Integra√ß√Ķes de forma√ß√£o

  • ClearML: Automatiza os teus fluxos de trabalho de Ultralytics ML, monitoriza experi√™ncias e promove a colabora√ß√£o entre equipas.

  • Comet ML: Melhora o desenvolvimento do teu modelo com Ultralytics , acompanhando, comparando e optimizando as tuas experi√™ncias de aprendizagem autom√°tica.

  • DVC: Implementa o controlo de vers√Ķes para os teus projectos de aprendizagem autom√°tica Ultralytics , sincronizando dados, c√≥digo e modelos de forma eficaz.

  • MLFlow: Simplifica todo o ciclo de vida de ML dos modelos Ultralytics , desde a experimenta√ß√£o e reprodutibilidade at√© √† implementa√ß√£o.

  • Ultralytics HUB: Acede e contribui para uma comunidade de modelos Ultralytics pr√©-treinados.

  • Neptune: Mant√©m um registo completo das tuas experi√™ncias de ML com Ultralytics neste armazenamento de metadados concebido para MLOps.

  • Ray Tune: Optimiza os hiperpar√Ęmetros dos teus modelos Ultralytics em qualquer escala.

  • TensorBoard: Visualiza os teus Ultralytics fluxos de trabalho de ML, monitoriza as m√©tricas do modelo e promove a colabora√ß√£o da equipa.

  • Weights & Biases (W&B): Monitoriza experi√™ncias, visualiza m√©tricas e promove a reprodutibilidade e a colabora√ß√£o em projectos Ultralytics .

  • Amazon SageMaker: Aproveita o Amazon SageMaker para criar, treinar e implementar eficientemente modelos Ultralytics , fornecendo uma plataforma tudo-em-um para o ciclo de vida do ML.

  • Paperspace Gradiente: Paperspace A Gradient simplifica o trabalho em projectos YOLOv8 , fornecendo ferramentas na nuvem f√°ceis de utilizar para treinar, testar e implementar os teus modelos rapidamente.

  • Google Colab: Utiliza o Google Colab para treinar e avaliar modelos Ultralytics num ambiente baseado na nuvem que suporta a colabora√ß√£o e a partilha.

Integra√ß√Ķes de implanta√ß√£o

  • Neural Magic: Aproveita o Quantization Aware Training (QAT) e as t√©cnicas de poda para otimizar os modelos Ultralytics para um desempenho superior e um tamanho mais reduzido.

  • Gradio ūüöÄ NOVO: Implementa modelos Ultralytics com o Gradio para demonstra√ß√Ķes interactivas e em tempo real de dete√ß√£o de objectos.

  • TorchScript: Desenvolvido como parte da estrutura PyTorchTorchScript permite a execu√ß√£o e implementa√ß√£o eficientes de modelos de aprendizagem autom√°tica em v√°rios ambientes de produ√ß√£o sem a necessidade de Python depend√™ncias.

  • ONNX: Um formato de c√≥digo aberto criado pela Microsoft para facilitar a transfer√™ncia de modelos de IA entre v√°rias estruturas, aumentando a versatilidade e a flexibilidade de implementa√ß√£o dos modelos Ultralytics .

  • OpenVINO: Conjunto de ferramentas da Intel para otimizar e implementar modelos de vis√£o computacional de forma eficiente em v√°rias plataformas Intel CPU e GPU.

  • TensorRT: Desenvolvido pela NVIDIA, esta estrutura de infer√™ncia de aprendizagem profunda de alto desempenho e formato de modelo optimiza os modelos de IA para uma velocidade e efici√™ncia aceleradas nas GPUs NVIDIA, garantindo uma implementa√ß√£o simplificada.

  • CoreML: CoreML, desenvolvido pela Apple, √© uma estrutura concebida para integrar de forma eficiente modelos de aprendizagem autom√°tica em aplica√ß√Ķes iOS, macOS, watchOS e tvOS, utilizando o hardware da Apple para uma implementa√ß√£o eficaz e segura dos modelos.

  • TF SavedModel: Desenvolvido pela Google, TF SavedModel √© um formato de serializa√ß√£o universal para modelos TensorFlow , permitindo uma partilha e implementa√ß√£o f√°ceis numa vasta gama de plataformas, desde servidores a dispositivos de ponta.

  • TF GraphDef: Desenvolvido pela Google, o GraphDef √© o formato do TensorFlow para representar gr√°ficos de computa√ß√£o, permitindo a execu√ß√£o optimizada de modelos de aprendizagem autom√°tica em diversos tipos de hardware.

  • TFLite: Desenvolvido pela Google, o TFLite √© uma estrutura leve para a implementa√ß√£o de modelos de aprendizagem autom√°tica em dispositivos m√≥veis e perif√©ricos, garantindo uma infer√™ncia r√°pida e eficiente com um consumo m√≠nimo de mem√≥ria.

  • TFLite Edge TPU: Desenvolvido pela Google para otimizar os modelos TensorFlow Lite em TPUs Edge, este formato de modelo garante uma computa√ß√£o de ponta eficiente e de alta velocidade.

  • TF.js: Desenvolvido pela Google para facilitar a aprendizagem autom√°tica em navegadores e Node.js, o TF.js permite a implementa√ß√£o de modelos de ML com base em JavaScript.

  • PaddlePaddle: Uma plataforma de aprendizagem profunda de c√≥digo aberto da Baidu, PaddlePaddle permite a implementa√ß√£o eficiente de modelos de IA e centra-se na escalabilidade das aplica√ß√Ķes industriais.

  • NCNN: Desenvolvido pela Tencent, o NCNN √© uma estrutura de infer√™ncia de rede neural eficiente adaptada a dispositivos m√≥veis. Permite a implementa√ß√£o direta de modelos de IA em aplica√ß√Ķes, optimizando o desempenho em v√°rias plataformas m√≥veis.

Formatos de exportação

Também suportamos uma variedade de formatos de exportação de modelos para implementação em diferentes ambientes. Vê aqui os formatos disponíveis:

Formato format Argumenta Modelo Metadados Argumentos
PyTorch - yolov8n.pt ‚úÖ -
TorchScript torchscript yolov8n.torchscript ‚úÖ imgsz, optimize, batch
ONNX onnx yolov8n.onnx ‚úÖ imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n_openvino_model/ ‚úÖ imgsz, half, int8, batch
TensorRT engine yolov8n.engine ‚úÖ imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n.mlpackage ‚úÖ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n_saved_model/ ‚úÖ imgsz, keras, int8, batch
TF GraphDef pb yolov8n.pb ‚ĚĆ imgsz, batch
TF Leve tflite yolov8n.tflite ‚úÖ imgsz, half, int8, batch
TF Borda TPU edgetpu yolov8n_edgetpu.tflite ‚úÖ imgsz, batch
TF.js tfjs yolov8n_web_model/ ‚úÖ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n_paddle_model/ ‚úÖ imgsz, batch
NCNN ncnn yolov8n_ncnn_model/ ‚úÖ imgsz, half, batch

Explora as liga√ß√Ķes para saberes mais sobre cada integra√ß√£o e como tirar o m√°ximo partido delas com Ultralytics. Ver completo export detalhes no Exporta√ß√£o p√°gina.

Contribui para as nossas integra√ß√Ķes

Estamos sempre entusiasmados por ver como a comunidade integra Ultralytics YOLO com outras tecnologias, ferramentas e plataformas! Se tiveres integrado com √™xito o YOLO com um novo sistema ou se tiveres conhecimentos valiosos para partilhar, considera contribuir para os nossos documentos de integra√ß√Ķes.

Ao escrever um guia ou tutorial, podes ajudar a expandir a nossa documenta√ß√£o e fornecer exemplos reais que beneficiam a comunidade. √Č uma excelente maneira de contribuir para o crescente ecossistema em torno de Ultralytics YOLO .

Para contribuir, por favor consulta o nosso Guia de Contribui√ß√£o para obteres instru√ß√Ķes sobre como submeter um Pull Request (PR) ūüõ†ÔłŹ. Aguardamos ansiosamente as tuas contribui√ß√Ķes!

Vamos colaborar para tornar o ecossistema Ultralytics YOLO mais expansivo e rico em funcionalidades ūüôŹ!



Criado em 2023-11-12, Atualizado em 2024-05-18
Autores: glenn-jocher (13), Burhan-Q (4), abirami-vina (14), RizwanMunawar (1)

Coment√°rios